<\/p>\n
Das Akaike Information Criterion (AIC) ist eine Metrik, die zum Vergleich der Passung verschiedener Regressionsmodelle verwendet wird.<\/span><\/p>\n Es wird wie folgt berechnet:<\/span><\/p>\n AIC = 2K \u2013 2 ln<\/em> (L)<\/span><\/p>\n Gold:<\/span><\/p>\n AIC soll das Modell finden, das die gr\u00f6\u00dfte Variation in den Daten erkl\u00e4rt, und gleichzeitig Modelle bestrafen, die eine \u00fcberm\u00e4\u00dfige Anzahl von Parametern verwenden.<\/span><\/p>\n Nachdem Sie mehrere Regressionsmodelle angepasst haben, k\u00f6nnen Sie<\/span> den AIC-Wert jedes Modells vergleichen. Das Modell mit dem niedrigsten AIC bietet die beste Passform.<\/span><\/p>\n Um den AIC mehrerer Regressionsmodelle in Python zu berechnen, k\u00f6nnen wir die Funktion statsmodels.regression.linear_model.OLS()<\/strong> verwenden, die \u00fcber eine Eigenschaft namens aic<\/strong> verf\u00fcgt, die uns den AIC-Wert f\u00fcr ein bestimmtes Modell angibt.<\/span><\/p>\n Das folgende Beispiel zeigt, wie Sie diese Funktion verwenden, um AIC f\u00fcr verschiedene Regressionsmodelle in Python zu berechnen und zu interpretieren.<\/span><\/p>\n Nehmen wir an, wir m\u00f6chten zwei verschiedene multiple lineare Regressionsmodelle<\/a> mithilfe von Variablen aus dem mtcars-<\/strong> Datensatz anpassen.<\/span><\/p>\n Zuerst laden wir diesen Datensatz:<\/span><\/p>\n Hier sind die Pr\u00e4diktorvariablen, die wir in jedem Modell verwenden werden:<\/span><\/p>\n Der folgende Code zeigt, wie das erste Modell angepasst und der AIC berechnet wird:<\/span><\/p>\n Der AIC dieses Modells betr\u00e4gt 157,07<\/strong> .<\/span><\/p>\n Als n\u00e4chstes passen wir das zweite Modell an und berechnen den AIC:<\/span><\/p>\n Der AIC dieses Modells betr\u00e4gt 169,84<\/strong> .<\/span><\/p>\n Da das erste Modell einen niedrigeren AIC-Wert aufweist, ist es das am besten passende Modell.<\/span><\/p>\n Sobald wir dieses Modell als das beste identifiziert haben, k\u00f6nnen wir mit der Modellanpassung fortfahren und die Ergebnisse analysieren, einschlie\u00dflich des R-Quadrat-Werts und der Beta-Koeffizienten, um die genaue Beziehung zwischen dem Satz von Vorhersagevariablen und der Antwortvariablen<\/a> zu bestimmen.<\/span><\/p>\n Eine vollst\u00e4ndige Anleitung zur linearen Regression in Python<\/a> Das Akaike Information Criterion (AIC) ist eine Metrik, die zum Vergleich der Passung verschiedener Regressionsmodelle verwendet wird. Es wird wie folgt berechnet: AIC = 2K \u2013 2 ln (L) Gold: K: Die Anzahl der Modellparameter. Der Standardwert von K ist 2, sodass ein Modell mit nur einer Pr\u00e4diktorvariablen einen K-Wert von 2+1 = 3 hat. […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n\n
Beispiel: AIC in Python berechnen und interpretieren<\/strong><\/span><\/h3>\n
from<\/span> sklearn. linear_model<\/span> import<\/span> LinearRegression\nimport<\/span> statsmodels. api<\/span> as<\/span> sm\nimport<\/span> pandas as<\/span> pd\n\n#define URL where dataset is located\n<\/span>url = \"https:\/\/raw.githubusercontent.com\/Statorials\/Python-Guides\/main\/mtcars.csv\"\n\n#read in data\n<\/span>data = pd. read_csv<\/span> (url)\n\n#view head of data\n<\/span>data. head<\/span> ()\n\n model mpg cyl disp hp drat wt qsec vs am gear carb\n0 Mazda RX4 21.0 6 160.0 110 3.90 2.620 16.46 0 1 4 4\n1 Mazda RX4 Wag 21.0 6 160.0 110 3.90 2.875 17.02 0 1 4 4\n2 Datsun 710 22.8 4 108.0 93 3.85 2.320 18.61 1 1 4 1\n3 Hornet 4 Drive 21.4 6 258.0 110 3.08 3.215 19.44 1 0 3 1\n4 Hornet Sportabout 18.7 8 360.0 175 3.15 3.440 17.02 0 0 3 2\n<\/strong><\/pre>\n\n
#define response variable\n<\/span>y = data['mpg']\n\n#define predictor variables\n<\/span>x = data[['disp', 'hp', 'wt', 'qsec']]\n\n#add constant to predictor variables\n<\/span>x = sm. add_constant<\/span> (x)\n\n#fit regression model\n<\/span>model = sm. OLS<\/span> (y,x). fit<\/span> ()\n\n#view AIC of model\n<\/span>print<\/span> (model. aic<\/span> )\n\n157.06960941462438<\/strong><\/span><\/pre>\n #define response variable\n<\/span>y = data['mpg']\n\n#define predictor variables\n<\/span>x = data[['disp', 'qsec']]\n\n#add constant to predictor variables\n<\/span>x = sm. add_constant<\/span> (x)\n\n#fit regression model\n<\/span>model = sm. OLS<\/span> (y,x). fit<\/span> ()\n\n#view AIC of model\n<\/span>print<\/span> (model. aic<\/span> )\n\n169.84184864154588<\/strong><\/span><\/pre>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So berechnen Sie das angepasste R-Quadrat in Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"